Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Junio, 2008
Resumen
Este trabajo propone un modelo para el pronóstico del precio de la energía
eléctrica en Colombia mediante el uso de redes neuronales artificiales. Se
utilizan dos estructuras de redes incluyendo como entradas la serie de precios
diarios en la primera y la serie de precios más el nivel medio de los embalses
en la segunda. Los resultados se comparan con un modelo Autorregresivo
Condicional Heterocedástico Generalizado (GARCH) encontrándose venta-
jas en este último dentro del período de muestreo, pero un mejor desempeño
de las redes neuronales en el período fuera de la muestra. Los datos históricos
se obtuvieron de la Compañía XM perteneciente al grupo ISA, de los cuales
se usan 120 días para entrenamiento y los 31 días del mes siguiente para ve-
rificación del pronóstico.
---------- Palabras clave: Pronóstico, precios de la electricidad, redes
neuronales, modelos de series de tiempo.
Abstract
A model for forecasting the electricity price in Colombia using artificial neu-
ral networks is proposed in this work. Two neural networks structures inclu-
ding the price series in the first and the price series plus the water reserve
levels in the latter are used. The results are compared with a Generalized
Autorregresive Conditional Heteroskedastic Model (GARCH) model, which
shows better adjustment inside the training period, but the neural networks
have better performance forecasting outside the training sample. Historical
data was supplied by the Company XM belonging to ISA Group, where 120
days were used as training patterns and the next 31 days were left to test the
next month forecast.
---------- Keywords: Forecasting, electricity price, artificial neural
networks, time series models.
* Autor de correspondencia: Teléfono: + 57 + 4 + 219 55 58, fax: + 57 + 4 + 211 05 07, correo electrónico: fvillada@udea.edu.co (F. Villada).
111
Rev. Fac. Ing. Univ. Antioquia N.° 44. Junio, 2008
112
Pronóstico del precio de la energía eléctrica usando redes neuronales artificiales
ϕ (.) O2
ϕ (.)
Redes neuronales artificiales X4 ϕ (.)
ϕ (.)
Una red neuronal es un sistema que permite es- X5
tablecer una relación lineal o no lineal entre las Nudos de entrada 1ª capa oculta 2ª capa oculta Capa de salida
salidas y las entradas. Sus características es-
tán inspiradas en el sistema nervioso lo que les Figura 1 Red neuronal de propagación hacia
da varias ventajas, tales como su capacidad de adelante
aprendizaje adaptativo, son auto-organizativas,
pueden funcionar en paralelo en tiempo real y
ofrecen tolerancia a fallos por la codificación re- Las Redes Neuronales Artificiales se han emplea-
dundante de la información. Desde el punto de do para resolver numerosos problemas. Entre es-
vista de solución de problemas, las redes neuro- tos, los económicos y financieros, destacando en
nales son diferentes de los computadores con- gran medida su aplicación en la predicción de se-
vencionales que usan algoritmos secuenciales, ries temporales y su capacidad para detectar y ex-
mientras que las redes neuronales actúan como plotar la no-linealidad existente en los datos, aun
el cerebro humano, procesando la información en condiciones donde existen datos incompletos
en paralelo, y también pueden aprender y gene- o la presencia de ruido; también se destacan por
ralizar a situaciones no incluidas en el proceso su desempeño en la solución de problemas com-
de entrenamiento. Las redes neuronales pueden plejos, donde el reconocimiento de modelos o
procesar información de forma más rápida que comportamientos es importante.
113
Rev. Fac. Ing. Univ. Antioquia N.° 44. Junio, 2008
114
Pronóstico del precio de la energía eléctrica usando redes neuronales artificiales
miento (aproximadamente 80%) y se dejaron 31 mejor desempeño global contiene tres rezagos de
datos correspondientes a un mes completo para tiempo y cuatro neuronas en su capa oculta. En
pronóstico fuera de la muestra. la figura 2 se comparan los resultados de la red
seleccionada con los datos reales en el período
El análisis de los resultados de la tabla 1 nos dentro de la muestra. La figura 3 muestra la capa-
muestra que los errores dentro de la muestra son cidad de pronóstico al utilizar los resultados de la
menores para la red neuronal con cuatro rezagos red para proyectar el precio de la energía eléctrica
de tiempo; sin embargo, fuera de la muestra los por un mes (31 datos diarios) después del período
resultados son mejores con la red de tres rezagos. de entrenamiento. En ambas gráficas se observa
Como nuestro objetivo es ante todo pronosticar una correspondencia aceptable del modelo de red
por fuera de la muestra, se concluye que la red con neuronal con los datos reales.
Adicionalmente se estudió un segundo modelo tanto dentro como fuera del período muestral. En
que incluye dos variables de entrada: el precio la figura 4 se comparan los resultados de la red
diario de la energía eléctrica en pesos colombia- seleccionada con los datos reales en el período
nos por kilovatio-hora y el nivel medio de los dentro de la muestra y la figura 5 muestra la capa-
embalses. La tabla 2 presenta los resultados de cidad de pronóstico al utilizar los resultados de la
las medidas de evaluación para el mismo período red para proyectar el precio de la energía eléctrica
de tiempo analizado en la red anterior, donde se por un mes (31 días) después del período de en-
aprecia una mejoría en los resultados anteriores trenamiento. En ambas gráficas se observa muy
y un mejor desempeño de la red con cuatro reza- buena correspondencia del modelo de red neuro-
gos de tiempo y cinco neuronas en la capa oculta nal con los datos reales.
115
Rev. Fac. Ing. Univ. Antioquia N.° 44. Junio, 2008
110 110
Precio real Precio real
Red neuronal
Red neuronal
100 100
90 90
80 80
Col-$/kW-hora
Col-$/kW-hora
70 70
60 60
50 50
40 40
30 30
0 20 40 60 80 100 120 0 20 40 60 80 100 120
días
días
Figura 2 Respuesta de la red neuronal con Figura 4 Respuesta de la red neuronal con
una variable de entrada y tres retardos de dos variables de entrada y cuatro retardos
tiempo para datos dentro de la muestra de tiempo para datos dentro de la muestra
90
90
80
80
Col-$/kW-hora
Col-$/kW-hora
70
70
60
60
50
50
40
40
30
0 50 100 150 30
días 0 50 100 150
días
116
Pronóstico del precio de la energía eléctrica usando redes neuronales artificiales
117
Rev. Fac. Ing. Univ. Antioquia N.° 44. Junio, 2008
en general más fáciles de implementar; muestran Wavelet transform and ARIMA models”. IEEE
además un buen desempeño, presentando bajos Transactions on Power Systems. Vol. 20. 2005. pp.
1035 – 1042.
errores y poca variación de los errores, aún en los
casos donde se cambió el número de rezagos, el 4. R. C. García, J. Contreras, M. V. Akkeren, J. B. C.
número de neuronas en la capa oculta y se adi- García. “A GARCH forecasting model to predict day-
cionó una nueva variable de entrada. A pesar de ahead electricity prices”. IEEE Transactions on Power
Systems. Vol. 20. 2005.pp. 867 – 874.
que el modelo GARCH para el caso univariable
mostró mejor ajuste dentro de la muestra, requie- 5. S. Haykin. “Neural networks a comprehensive
re de un experto que determine el procedimien- foundation”. New York. Macmillan College Publishing
Company.1994. 1ª ed. pp. 18 – 41.
to a seguir dependiendo del tipo de datos. Estos
datos deben ser estacionarios, se deben analizar 6. F. Villada, W. Muñoz, A. Henao. “Pronóstico de
los gráficos de correlación, adecuar los modelos las tasas de cambio. Una aplicación al Yen Japonés
y medir los errores. El modelo basado en redes mediante redes neuronales artificiales”. Revista
Scientia et Technica. Vol 12. 2006. pp. 233 – 238.
neuronales artificiales es más sencillo de imple-
mentar y en todos los casos mostró mejor desem- 7. B. R. Szkuta, L. A. Sanabria, T. S. Dillon. “Electricity
peño en el pronóstico fuera de la muestra. La red price short-term forecasting using artificial neural
networks”. IEEE Transactions on Power Systems.
neuronal ampliada con dos variables de entrada
Vol. 14. 1999. pp. 851 – 857.
superó también al modelo GARCH en el ajuste
dentro de la muestra. 8. E. Radwan. “Short term hourly load forecasting using
abductive networks”. IEEE Transactions on Power
Systems. Vol. 19. 2004. pp. 164 – 173.
Referencias
9. N. Amjady, M. Hemmati. “Energy price forecasting
1. F. J. Nogales, J. Contreras, A. Conejo, R. Espínola. - problems and proposals for such predictions”. IEEE
“Forecasting next-day electricity prices by time series Power and Energy Magazine. Vol. 4. 2006. pp. 20
models”. IEEE Transactions on Power System. Vol. – 29.
17. 2002. pp. 342 – 348.
10. N. Gradojevic, J. Yang. The application of artificial
2. J. Contreras, R. Espínola, F. J. Nogales, A. Conejo. neural networks to exchange rate forecasting: the role
“ARIMA models to predict next-day electricity of market microstructure variables, Bank of Canada,
prices”. IEEE Transactions on Power Systems. Vol. Working paper 2000-23. 2000. pp. 10 – 27.
18. 2003. pp. 1014 – 1020.
11. P. H. Franses, D. V. Dijk. Non-linear time series
3. A. Conejo, M. A. Plazas, R. Espínola, A. B. Molina. models in empirical finance. Cambridge University
“Day-ahead electricity price forecasting using the Press. 2000. pp. 222 - 233.
118